NVIDIA、2BパラメータのVLA「Alpamayo 2 Edge」を公開

NVIDIAは、運転軌道と因果説明を生成する2Bパラメータの推論型ビジョン・言語・行動(VLA)モデル「Alpamayo 2 Edge」(nvidia/Alpamayo2-Edge)をHugging Faceで公開しました。Cosmos 3 EdgeのNemotronベースのバックボーンに拡散ベースのアクションデコーダーを組み合わせ、NVIDIA DRIVE AGX Thorでの車載展開とファインチューニングに対応します。

何が新しいか

Alpamayo 2 Edgeは適応的推論により、ナビゲーション指示に条件付けた運転軌道とChain-of-Causationの推論テキストを生成し、運転シーンに関する自由形式の質問にも回答します。軌道候補ごとに推論テキストを独立にサンプリングします。NVIDIAはAlpamayo Open Platformの一部として位置づけ、自動運転システムの開発者・研究者向けに車載の計画・意思決定のファインチューニングと展開の出発点として提供します。

構成と入出力

項目	内容
バックボーン	2.45B(言語モデル1.96B、SigLIP2視覚エンコーダー0.41B、プロジェクター0.08B)
Action Expert	0.2B
重み精度	BF16
軌道予測の画像入力	6カメラ・計22フレーム
エゴポーズ履歴	20個(−1.9〜0秒、0.1秒間隔)
出力軌道	64ウェイポイント(0.1〜6.4秒、0.1秒間隔)

22フレームの内訳は、前方広角と前方望遠(カメラID 1、6)が−2、−1、−0.5、−0.1、0秒の各5フレーム、クロス左右・後方左右(ID 0、2、3、5)が−1、−0.1、0秒の各3フレームです。自由形式のVQAでは同じ6カメラを各4フレーム使います。Action Expertはステップごとの加速度と曲率を予測し、ユニサイクルモデルで積分してXYZ位置と3x3回転行列の軌道を出力します。

動作要件と試し方

• コード: NVlabsのalpamayo2-edgeリポジトリ(Apache License 2.0)
• 重みのライセンス: OpenMDW-1.1
• 実行環境: Python 3.12、PyTorch 2.8.0、torchvision 0.23.0、Transformers 5.17.0、Linux
• 注意機構: デフォルトはPyTorch SDPA。高速推論にはFlashAttention 2.8.3が必要
• 検証済みハードウェア: NVIDIA H100 80GB HBM3のみ。他のGPUアーキテクチャは未検証
• 推論時はチェックポイントのチャットテンプレートをenable_thinking=Falseで適用します。テンプレートはデフォルトで思考を有効にするためです。運転プロンプトは空の思考ブロックで終わり、モデルはその直後に運転の推論を書きます。
• 画像には撮影タイムスタンプが必要で、プロンプト内で相対時刻ラベルとしてエンコードします。

背景

NVIDIAはGPUやソフトウェアを開発し、深層学習を自動車などの分野へ応用している企業です。NVIDIAはモデルカードで、実運用への組み込みにはユースケース固有データでの追加テストと、V字モデルに沿ったユニット・システム両レベルの検証が必要だとしています。